枫清科技高雪峰：AI正在进入材料研发与化工生产全流程

在近日举行的中国油气人工智能科技大会上，枫清科技创始人兼 CEO 高雪峰表示，公司正在围绕 AI for Science 与新材料研发，探索人工智能在分子设计、配方筛选、实验验证、工艺优化和规模化生产等环节的应用。高雪峰介绍，枫清科技此前已与中国中化等化工和新材料领域企业开展合作，重点尝试将人工智能技术应用于科研平台建设和材料研发流程。在材料研发阶段，公司一方面利用第一性原理模型等计算方法，对材料性质和反应过程进行模拟；另一方面，通过逆合成模型、模型蒸馏等技术，辅助高通量实验室筛选候选材料和配方，减少部分依赖人工经验的重复试验。与通用大模型不同，材料研发涉及分子结构、物理化学性质、实验条件和生产工艺等多类数据。高雪峰认为，AI 在这一领域的价值并不只是生成实验建议，而是将计算模型、实验设备和科研数据连接起来，形成可以持续验证和修正的研发流程。按照枫清科技的规划，其 AI4S 智能科研平台以科研数据为基础，建立科研知识图谱和统一语义层，并尝试将物理信息神经网络 PINN、物理信息神经算子 PINO 等机理模型与神经网络结合。平台还引入多智能体机制，对科研任务进行拆解和调度，并根据任务调用不同的科研工具、专业模型和材料领域大模型，完成文献分析、方案设计、性质预测、实验规划和结果分析等工作。不过，高雪峰也强调，材料研发并不能停留在模型预测环节。候选配方能否真正使用，还需要经过检测表征、实验验证、工艺模拟、中试放大以及量产验证。尤其从实验室配方进入工业生产后，原料批次、设备状态、温度、压力和生产环境等因素，都可能影响最终结果。因此，枫清科技正在尝试打通从分子设计、配方开发、检测表征、工艺模拟到中试放大的完整链路，并将生产环节产生的数据重新反馈到模型中。“在实际生产环节，可以通过工艺优化和配方优化，帮助企业降低中试和生产过程中的成本，同时积累材料领域的数据，再进一步改进模型。”高雪峰表示。按照这一思路，材料研发不再是一次性的“模型预测—实验验证”，而是形成数据、模型、实验和生产之间的循环。生产过程中积累的数据越充分，模型对特定材料体系和工艺条件的理解就可能越准确。高雪峰透露，公司后续计划与企业客户及科研院校共同建设高通量智能实验室，推动实验设备自动运行、实验任务自动调度以及数据自动回传。其目标是在部分标准化程度较高的实验环节，减少人工操作，提高实验执行和数据采集效率。除科研场景外，枫清科技也在将相关能力延伸至化工企业的研发、生产、供应链、销售、管理和协同等业务环节。从其公布的方案来看，公司希望形成“AI4S 智能科研平台+产业智能化应用”的整体架构：前端面向材料研发和科研任务，后端则连接工厂安全生产、供应链管理、园区运营、经营风险控制和组织协同等场景。高雪峰表示，枫清科技目前正与多家能源行业企业交流，探讨共同建设 AI for Science 科研平台。公司还希望与中石油、石油类高校及其他科研机构成立联合实验室，围绕 AI 赋能新材料开展合作。此前，枫清科技已与中国中化、吉林大学、火山引擎等机构共同成立人工智能赋能新材料联合实验室。高雪峰表示，未来希望进一步扩大参与主体，探索企业、高校、科研院所和技术公司的联合研发机制。从行业背景来看，随着炼化行业逐渐从以燃料生产为主，转向同时发展高附加值化工材料，材料研发效率正在成为能源化工企业关注的问题之一。传统材料研发往往需要经历大量实验筛选，研发周期较长，实验数据也容易分散在不同团队和系统中。AI 可以在候选材料筛选、实验方案设计和工艺参数优化等环节提供辅助，但能否真正形成产业价值，仍取决于数据质量、实验自动化能力，以及模型与实际生产流程的结合程度。枫清科技提出的路径，是以联合实验室承担前期研发，以园区企业提供产业场景，通过中试基地完成工艺放大，再进入规模化生产。目前，公司将东营中试基地作为成果转化环节之一，并尝试在化工园区部署相关平台。不过，从科研模型进入工业生产仍面临不少现实问题。材料数据通常具有规模有限、格式不统一、实验条件差异大等特点，企业数据还涉及保密和知识产权。与此同时，实验室条件下有效的配方，在中试和量产阶段也可能出现性能波动。这意味着，AI 在材料和化工领域短期内更可能作为科研人员和工程师的辅助工具，而不是替代完整的研发与生产决策。如何建立可靠的数据体系、实验验证机制和工程化闭环，将决定 AI4S 平台能否从示范项目进入日常生产流程。对于枫清科技而言，其下一阶段工作的重点，也将从科研工具和模型能力建设，进一步转向实验室、中试基地和生产现场之间的实际连接。